SQL Server索引原理解析

此文是我之前的笔记整理而来，以索引为入口进行探讨相关数据库知识（又做了修改以让人更好消化）。SQL Server接触不久的朋友可以只看以下蓝色字体字，简单有用节省时间；如果是数据库基础不错的朋友，可以全看，欢迎探讨。

全文章节：

1.聚集索引和非聚集索引

2.索引的结构

3.索引包含列和书签查找

1.聚集索引和非聚集索引

索引分为聚集索引和非聚集索引

1.1 聚集索引

表的数据是存储在数据页中（数据页的PageType标记为1），SqlServer一页是8k，存满一页就开辟下一页存储。如果表有聚集索引，那么一笔一笔物理数据就是按聚集索引字段的大小升/降排序存储在页中。当对聚集索引字段更新或中间插入/删除数据时，都会导致表数据移动（造成性能一定影响），因为它要保持升/降排序。

注意，主键只是默认是聚集索引，它也可以设置为非聚集索引，也可以在非主键字段上设置为聚集索引，全表只能有一个聚集索引。

一个优秀的聚集索引字段一般包含以下4个特性：

(A).自增长

总是在末尾增加记录，减少分页和索引碎片。

(B).不被更改

减少数据移动。

(C).唯一性

唯一性是任何索引最理想的特性，可以明确索引键值在排序中的位置。

更重要的是，索引键指唯一的话，它在每条记录里才可以正确指向源数据行RID。如果聚集索引键值不唯一，SqlServer就需要内部生成uniquifier 列组合当作聚集键保证“键值”唯一性；如果非聚集索引键值不唯一，就会增加RID列（聚集索引键或者堆表中的行指针）保证“键值”唯一性。

思考（可略过）：索引“键值”在非叶子节点也有保证唯一性，原因应该是为了明确索引记录在非叶子节点中的位置。比如有个非聚集索引字段Name2，表中有很多Name2='a'的记录，导致Name2='a'在非叶子节点上有多条索引记录（节点），这时候再insert一笔Name2=‘a'的记录时，就可以根据非叶子节点的RID和新增记录的RID很快确定要insert到哪个索引记录（节点）上，如果没有非叶子节点的RID，那得遍历到所有Name2='a'的叶子节点才能确定位置。另外，当我们select * from Table1 where Name2<='a'时，返回的数据是按非聚集索引Name2和RID排序的，很好理解返回的数据就是按这边索引存储的顺序排序的。这是这条sql查询时有用到Name2索引的结果，如果数据库查询计划因“临界点”问题选择直接表数据扫描，那返回的数据默认就是按表数据的顺序排序的。

为了“键值”唯一性，对于聚集索引，uniquifier 列只在索引值重复时增加。对于非聚集索引，如果创建索引时没定义唯一，RID会在所有记录增加，就算索引值是唯一的；如果创建索引时定义唯一，RID只在叶子层增加，用于查找源数据行，即书签查找操作。

(D).字段长度小

聚集索引键长度越小，一页索引页就可以容纳更多索引记录，进而减少索引B树结构的深度。例如，一个百万记录的表有一个int聚集索引，可能只需要3层的B树结构。如果把聚集索引定义在更宽的列（比如uniqueidentifier列需要16 字节），那么索引的深度会增加到4层。任何聚集索引查找需要4个I/O操作（确切的说是4个逻辑读），原先只要3个I/O操作。

同样，非聚集索引里会包含聚集索引键值，聚集索引键长度越小非聚集索引记录也就越小，一页索引页就可以容纳更多索引记录。

 

1.2 非聚集索引

也是存储在页中（PageType标记为2的页，叫索引页)。比如表T建立了一个非聚集索引Index_A，那么表T有100条数据的话，那么索引Index_A也就有100条数据（准确的说是100条叶子节点数据，索引是B树结构，如果树的高度大于0，那么就有根节点页或中间节点页数据，这时索引数据就超过100条），如果表T还有非聚集索引Index_B，那么Index_B也是至少100条数据，所以索引建越多开销越大。

更新索引字段、插入一条数据、删除一条数据都会造成索引的维护从而造成性能的一定影响。在不同情况下，性能影响是不同的。比如当你有一个聚集索引，插入的数据又都是在末尾，这样几乎是不会造成数据移动，影响较小；如果插入的数据在中间位置，一般会导致数据移动，而且可能产生分页和页碎片，影响就会稍大一点（如果插入到的中间页有足够的剩余空间容纳插入的数据，而且位置是在页末，也是不会造成数据移动）

2.索引的结构

都说SqlServer的索引是B树结构（这边假定你对B树结构有一定了解），那它到底长什么个模样呢，可以用Sql语句来查看它的逻辑呈现。

新建查询执行语法： DBCC IND(Test,OrderBo,-1) --其中Test库的OrderBo表有1万笔数据，有聚集索引Id主键字段

（不妨自己动手建个表，有聚集索引字段，插入1万表数据，然后执行这个语法看看，会收获很多，百闻不如一见）

执行结果： 

如上图，看到一个IndexLevel=2的索引页2112（这边它就是B树的根节点，IndexLevel最大的就是根节点，往下就是子级、子子级...只有一个根页作为B树结构的访问入口点），说明一定还有IndexLevel=1的索引页和IndexLevel=0的叶子页。由于这边是聚集索引，因此当IndexLevel=0的叶子页就是数据页，存储的是一笔一笔的物理数据。如上图也可以看到，IndexLevel=0的行的PageType等于1，就是代表数据页，上面1.1章节讲到聚集索引时，也有提到PageType=1；而如果是非聚集索引，IndexLevel=0的叶子页，PageType是等于 2，仍然是索引页。

同样，我们用Sql命令DBCC PAGE看一看

-- DBCC TRACEON(3604,-1)
DBCC PAGE(Test,1,2112,3)
 --根节点2112，可以查出它的两个子节点2280和2448，然后对这两个子节点再作DBCC PAGE查询
DBCC PAGE(Test,1,2280,3)
DBCC PAGE(Test,1,2448,3) 

如上图，IndexLevel=2的2112页有两个IndexLevel=1的子节点2280和2448，子节点下又有子节点，每个节点负责不同的索引键值的区间（即上图的“Id(key)”栏位，第一行值是Null，表示最小值或倒序时的最大值）。这样的层级关系是不是就是一棵B树结构，其中IndexLevel其实就是B树结构中的高度Height。

SqlServer在索引中查找某一笔记录时，是从根节点往下找到叶子节点，因为所有数据地址都有存在叶子节点，这其实是B+树的特点之一（B树特点是如果查找的值在非叶子节点就找到，则就能直接返回，显然SqlServer不是这么做，要验证这一点你可以set statistics io on把统计开起来，然后select看下逻辑读的次数）。

既然一定会找到叶子节点，那么索引包含列只要在叶子节点记录就可以了，即非叶子节点没有记录包含列，“索引包含列”见下文第3章节。

B+树这个特点（所有数据地址都有存在叶子节点）也利于between value1 and value2 区间查询，只要找到value1和value2（在叶子节点），然后把中间串起来就是要的结果了。

 

SqlServer索引结构更像是B+树，最终是B树和B+树的混合版，数据结构都是人定的，不一定就是纯粹的B树或者单纯的B+树。

3.索引包含列和书签查找

谈到索引，这边再讲一个SqlServer2005开始增加的“索引包含列”功能，很实用。

比如，在大报表查询数据时，where条件用到索引字段Name2，但是要select的字段是Name1，这时候可以使用“索引包含列”把Name1包含在索引字段Name2中，大大提高查询性能。

语法： Create [UNIQUE]  Nonclustered/Clustered Index IndexName On dbo.Table1(Name2) Include(Name1);

 

接下来分析为什么索引包含列可以大大提高性能。仍然使用DBCC PAGE命令，查看一个非聚集索引并有包含列的索引数据情况：

由上图可知，包含列Name1也存储在索引数据中。因此，当数据库用索引字段Name2定位到要查找的某一行时，就可以直接把Name1的值返回了，而不用再根据RID（上图是【HEAP RID(Key)】列）定位到数据页中去取值，即减少了书签查找。当查询只返回一条数据，只有一次书签查找时当然没什么，如果查询返回的数据很大，每一笔都要去数据页找数据取出来，1000笔就是1000次书签查找，可想而知性能消耗很大，这时候“索引包含列”价值就大大体现出来了。

关于一次书签查找，表有聚集索引（比如Id）时就是类似执行了一次 select Name1 from Table1 where Id=1 ，利用聚集索引键Id查找（查找方式就是索引Id的B树结构查找），而如果表没有聚集索引，则是根据数据行指针（由“文件号2byte：页号4byte：槽号2byte”组成）查找。聚集索引键和行指针一般统称为RID（Row ID）指针。从这里我们可以想到，如果你的表没有很好的聚集索引字段，建议自增长的Id字段做聚集索引主键（冗余出Id字段也行），它符合自增长、不被更改、唯一性、长度小的特性，是聚集索引的很好选择。

自增长Id绝大部分情况下是适用的，特殊的情况看具体需求而定吧。还有自增长Id要考虑一个缺陷，当对表大数据量的并发insert记录时，可以想象每个线程都是要insert到末尾那个页，就会发生竞争和等待。解决这种情况你可以用uniqueidentifier类型字段（16字节，我是不建议使用）或者哈希分区（就是一个表分成多个表，大数据处理中分库分表是正常的）等。但是我建议先优化你的insert效率（insert性能本身是很快的），测试每秒并发insert数是否满足生产环境，以保留简单稳定高效的自增长Id作法。

自增长Id不一定就是用数据库提供的自增长，你也可以自己写算法生成一个并发情况下也能唯一的Id（这时候一般长度是bitint，8字节整形），这种情况适合场景是分布式数据库中主从复制时Id栏位是要求一定不能出错的情况（主从复制的一般模式下，主库的Id是按主库增长，从库Id也是按从库自己的增长，如果遇到死锁等原因导致主从复制不同步时，那从库的Id就和主库的Id自增长就对不上号了）。如果自增长Id是冗余出的主键，那主从库Id对不上号也就无影响。

 

另外，上图最后一列【Row Size】还告诉我们，索引列或索引包含列的size不要太长，否则一页容不了几笔记录，这样大大增加了索引页数量，而且索引数据所占的空间也大大增加了。